0 引言

       随着全球人口老龄化的加速，腰痛患病率持续攀升，其引发的健康挑战也将越发突出^{[1, 2, 3]}。磁共振成像（magnetic resonance imaging, MRI）因其出色的软组织对比度和无电离辐射优势，已成为腰椎疾病诊断的重要工具^{[4, 5]}。扫描过程中的患者制动对避免伪影产生、获取清晰影像及提高诊断准确性均至关重要，但部分患者由于疼痛或年迈无法耐受长时间腰椎MRI扫描。因此，探索一项能满足临床诊断的腰椎MRI快速成像技术迫在眉睫。近年来，并行采集、运动补偿及压缩感知等MRI加速成像技术被广泛应用于颅脑、腹部及四肢骨关节等全身疾病，均取得良好效果^{[6, 7, 8]}。但是，加速成像技术一方面能显著缩短检查时间，另一方面却可能增加图像伪影、导致图像质量的下降。因此，如何在显著提升扫描效率的同时保证图像质量，已成为MRI加速成像应用领域的一个重要研究方向。基于深度学习的图像增强算法为解决这一矛盾提供了新途径，其核心原理在于利用深层卷积神经网络，通过学习大量高质量标准图像与对应欠采样图像之间的非线性映射关系，构建从退化的快速扫描数据中恢复高质量图像的重建模型。该模型在训练阶段通过优化损失函数，使其能够有效分离信号与噪声，并利用上下文信息补偿因加速采样而丢失的解剖细节。既往研究^{[9, 10]}显示，基于深度学习的图像增强算法在减少图像噪声和优化图像质量方面具有巨大潜力^{[11, 12]}。然而，该技术在腰椎MRI加速成像中的应用必要性尚未得到充分验证。因此，本研究拟结合腰椎MRI加速成像技术，探究深度学习重建（deep learning reconstruction, DLR）在优化检查效率及提升图像质量中的临床应用价值。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经重庆医科大学附属第一医院伦理委员会批准，免除患者知情同意，批准文号2024-196-01。回顾性分析2022年8月至2024年1月具有腰椎MRI临床指征并于重庆医科大学附属第一医院接受MRI检查的132例患者的临床及影像学资料。纳入标准：（1）具备完整的临床病史及MRI影像资料；（2）采用腰椎MRI预设序列参数（标准成像^[12]或加速成像）采集图像。排除标准：（1）年龄小于18岁或大于80岁（8例）；（2）图像质量差（存在严重伪影或植入物），影响图像解剖结构的观察及感兴趣区勾画者（8例）。

       根据不同扫描时间，将所有患者分为A组（标准成像组，n=54）和B组（加速成像组，n=62）。A组接受标准腰椎MRI扫描协议^[12]，该协议采用常规快速自旋回波序列，包括矢状位T1加权像、矢状位T2加权像及轴位T2加权像，并使用设备制造商提供的标准重建算法进行图像重建；B组均接受了腰椎MRI加速扫描协议，对于所获得的加速扫描数据，我们采用了标准重建与基于深度学习重建两种不同的重建方法进行处理，据此，我们将加速扫描图像数据分为B1组（采用标准重建算法处理，n=62）与B2组（采用深度学习算法处理，n=62）两组进行比较。

1.2 检查方法与图像处理

1.2.1 检查方法

       所有患者均采用飞利浦1.5 T磁共振扫描仪（Philips Achieva）及dS Posterior体部线圈进行图像采集。患者取仰卧位，头先进，定位中心为第三腰椎。扫描序列包括三平面定位像、矢状位T2加权成像（T2-weighted imaging, T2WI）、脂肪抑制T2WI、T1加权成像（T1-weighted imaging, T1WI）及轴位T2WI（表1）。标准成像时T1WI和T2WI的激励次数（number of excitations, NEX）分别为1.5和2；加速成像时T1WI和T2WI的NEX均调整为1，其余扫描参数相同。

点击查看表格

表1  标准成像与加速成像序列参数
Tab. 1  Sequence parameters of standard imaging and accelerated scanning

1.2.2 图像处理

       A组与B1组均采用飞利浦MRI扫描仪提供的标准重建算法进行图像重建。B2组则基于DLR（影动医疗，中国，上海）进行图像重建。DLR是一种基于生成对抗网络的医学影像重建增强算法^[13]，其生成器以超分辨率残差网络架构为基础^[14]，并引入残差密集块模块^[15]，采用稠密连接网络结构^[16]，使得每一层网络均可接收之前所有层的输出，从而促进特征重用并缓解梯度爆炸问题。此外，该算法在判别器中采用频谱归一化方法^[17]，以限制梯度的最大变化率，降低模型对输入扰动的敏感性，增强训练稳定性（图1）。在算法优化过程中，DLR采用创新的混合数据训练策略，融合少量成对的临床低质量与高清图像（参考公开fastMRI数据集，https://arxiv.org/pdf/1811.08839.pdf），以及大规模单质量独立数据，在有限标注条件下实现高效重建。针对匹配数据稀缺的问题，算法引入多模态退化模拟技术，综合k-space物理退化^[18]与图像域仿生扰动生成合成数据，在保留解剖结构真实性的同时增强训练样本的多样性，显著降低标注成本，同时提升模型鲁棒性和重建质量。

点击查看大图

图1  深度学习重建算法框架。Conv为卷积层；RRDB为残差密集块；β为残差缩放参数；LReLU为泄漏修正线性单元。
Fig. 1  The deep learning reconstruction algorithm framework. Conv stands for convolutional layers; RRDB stands for residual-in-residual dense blocks; βstands for the residual scaling parameter; LReLU stands for leaky rectified linear units.

1.3 图像质量评价与病变诊断

       由两名放射科医师（分别为具有7年和5年脊柱影像诊断经验的主治医师和住院医师）采用盲法、随机、交叉设计独立评估三组图像。评估内容包括：客观图像质量参数、主观图像质量评分及病变定性诊断。

1.3.1 客观图像质量参数

       由两名医师对患者矢状位T1WI及T2WI图像中的椎体、脊髓及脑脊液的信号噪声比（signal-to-noise ratio, SNR）和对比噪声比（contrast-to-noise ratio, CNR）进行测量。测量参数包括：（1）椎体信号强度（signal intensity, SI），选择第1腰椎、第2腰椎和第3腰椎椎体中部的松质骨区域绘制感兴趣区（region of interest, ROI），面积约为30 mm²，记录三个椎体SI的平均值作为椎体的SI（SI椎体）；（2）脊髓SI，在所选椎体后缘对应节段的脊髓中央区域绘制3个ROI，面积约为5 mm²，记录三者平均值作为脊髓的SI（SI脊髓）；（3）脑脊液SI，在椎体后缘对应节段马尾神经周围的脑脊液区域绘制3个ROI，面积约为10 mm²，记录三者平均值作为脑脊液的SI（SI脑脊液），并记录脑脊液区域ROI内的标准差作为图像背景噪声（background noise, BN）。为确保测量准确性，所有图像ROI的勾画需尽量避开血管、病变及骨皮质等区域（图2）。

       采用以下公式（1~5）计算各组的SNR和CNR：

       其中，SNR组织代表相应组织的SNR，SI组织代表相应组织的信号强度，BN代表图像背景噪声，CNR组织代表相应组织的CNR。

点击查看大图

图2  各组织信号强度测量示意图。矢状位T1加权成像（2A）及T2加权成像（2B）中椎体、脊髓和脑脊液信号强度测量示意，ROI面积大小分别约为30 mm²、5 mm²和10 mm²。ROI：感兴趣区。
Fig. 2  The signal intensity measurement schematic diagram. In sagittal T1-weighted imaging (2A) and T2-weighted imaging (2B) images, signal intensity measurements of the vertebral body, spinal cord, and cerebrospinal fluid are shown, and the area of ROI is approximately 30 mm², 5 mm², and 10 mm², respectively. ROI: region of interest.

1.3.2 主观图像质量评分

       采用5分Likert量表^{[1, 2]}对图像解剖结构显示、伪影、噪声、整体图像质量及诊断信心进行评分（表2）。

点击查看表格

表2  图像质量主观评价标准
Tab. 2  Subjective evaluation criteria for image quality

1.3.3 病变诊断性能评估

       以两名具有15年以上诊断经验的主任医师根据临床指南与专家共识^{[19, 20]}建立的综合评估结果为“金标准”，记录前述两位医师对椎管狭窄、神经根受压、椎间盘病变、纤维环裂隙等疾病的定性诊断结果。为保证评估的独立性，两组图像的阅读顺序随机化，且两次阅读之间至少间隔4周以消除记忆偏倚。

1.4 统计学分析

       采用SPSS 29.0软件进行统计分析。计量资料首先经Shapiro-Wilk检验评估正态性，符合正态分布者以均数±标准差表示，组间比较采用独立样本t检验（A组 vs. B1组、A组 vs. B2组）或配对t检验（B1组 vs. B2组）；不符合正态分布者以中位数（四分位数间距）表示，组间比较采用Mann-Whitney U检验（独立样本）或Wilcoxon符号秩检验（配对样本）。计数资料以频数和百分比表示，组间比较采用卡方检验或Fisher精确检验。等级资料以中位数（P25，P75）表示，组间比较采用Mann-Whitney U检验（A组 vs. B1组、A组 vs. B2组）和Wilcoxon符号秩检验（B1组 vs. B2组）。诊断性能评估（敏感度、特异度）中，独立样本比较（A组 vs. B1组、A组 vs. B2组）采用卡方检验，配对样本比较（B1组 vs. B2组）采用McNemar检验。采用组内相关系数（intra-class correlation coefficient, ICC）评估两位医师测量SNR和CNR的一致性，ICC>0.75表示一致性良好；采用加权Kappa检验评估两位医师对图像质量主观评分的一致性及对疾病分级诊断的一致性，Kappa值≥0.75为一致性良好，0.40~0.75为中等，<0.40为一致性较差。多重比较采用Bonferroni法校正，校正后显著性水平设为0.05/比较次数。以P<0.05为差异有统计学意义。

2 结果

2.1 临床资料

       本研究最终纳入116例患者，其中男54例，女62例，年龄范围18~78岁，平均年龄49.38（17.77）岁。A、B两组患者的临床资料详见表3。A组、B组年龄、性别构成差异无统计学意义（P=0.054、0.959）。腰椎退行性疾病为患者受检的主要原因，其他原因还包括椎体术后评估、体检、骨折等，两组差异无统计学意义（P=0.106）。

点击查看表格

表3  A组与B组患者的临床资料比较
Tab. 3  Comparison of clinical data between Group A and Group B

2.2 图像质量与病变诊断的一致性

       两位放射科医师对SNR和CNR测量结果一致性分析显示，ICC分别为0.980（95% CI：0.963~0.990）和0.972（95% CI：0.943~0.990），P均<0.001，表明测量一致性良好。

       两位放射科医师对图像质量的主观评分结果显示，在T1WI图像中，解剖结构显示、伪影、噪声、整体图像质量及诊断信心的ICC值分别为0.928、0.906、0.973、0.950和0.953；在T2WI图像中，上述指标的ICC值分别为0.963、0.942、0.968、0.973和0.965（P均<0.001）。在病变诊断方面，两位医师对椎管狭窄、神经根受压、椎间盘病变及纤维环裂隙等疾病的定性诊断Kappa值分别为0.881、0.904、0.876和0.944（P均<0.001），表明诊断一致性良好。

2.3 图像质量评价

2.3.1 图像质量客观评价

       与常规成像协议（A组）相比，加速成像协议（B组）的总采集时间显著缩短，由6 min 41 s秒降至3 min 36 s，扫描时间缩短了185秒，检查效率提升约46%。

       在T1WI中，三组患者椎体、脊髓及脑脊液的SNR以及椎体的CNR总体比较差异均存在统计学意义（P均<0.05）。两两比较显示，B2组上述参数均高于A组和B1组（P2、P3均<0.05），而A组与B1组之间上述参数均无显著差异（P1>0.05）。此外，三组患者脊髓的CNR差异无统计学意义（P>0.05）。在T2WI中，所有组织的SNR及CNR在三组患者间差异均无统计学意义（P均>0.05）。详见表4、图3、图4。

点击查看大图

图3  T1加权成像中，三组患者图像质量主观评分对比。3A：女，69岁，腰椎间盘膨出、腰椎退行性病变。标准成像后行标准重建，整体图像质量中等，平均主观评分3.20分。3B~3C：女，68岁，椎间盘膨出、腰椎退行性病变。加速成像后行标准重建和深度学习重建，整体图像质量分别为中等和良好，平均主观评分3.00分和3.80分。
Fig. 3  Comparison of image quality among three groups in T1-weighted imaging. 3A: Female, 69 years old, lumbar disc bulge and lumbar degenerative disease. Image obtained with standard scanning and standard reconstruction, and the overall image quality is moderate, with an average subjective score of 3.20. 3B-3C: Female, 68 years old, lumbar disc bulge and lumbar degenerative disease. Image obtained with standard reconstruction and deep learning reconstruction after an accelerated scanning, and the overall image quality are moderate and good, with an average subjective scores of 3.00 and 3.80, respectively.

点击查看大图

图4  T2WI图像中，三组患者图像质量主观评分对比。4A：男，65岁，椎间盘膨出伴突出、腰椎退行性改变。标准成像后行标准重建，整体图像质量中等，平均主观评分为2.60分。4B~4C：女，54岁，椎间盘轻度膨出、腰椎退行性病变。加速成像后行标准重建和深度学习重建，整体图像质量分别为中等和良好，平均主观评分2.80分和4.00分。
Fig. 4  Comparison of image quality among three groups in T2-weighted imaging. 4A: Male, 65 years old, lumbar disc bulge, disc herniation, and lumbar degenerative disease. Image obtained with standard scanning and standard reconstruction, and the overall image quality is moderate, with an average subjective score of 2.60. 4B-4C: Female, 54 years old, mild lumbar disc bulge and lumbar degenerative disease. Image obtained with standard reconstruction and deep learning reconstruction after an accelerated scanning, and the overall image quality are moderate and good, with an average subjective scores of 2.80 and 4.00, respectively.

点击查看表格

表4  三组患者各组织的SNR和CNR比较
Tab. 4  Comparison of SNR and CNR in various tissues between three groups

2.3.2 图像质量主观评分

       图像质量主观评分结果显示，在T1WI中，B2组的伪影、噪声、整体图像质量及诊断信心评分均高于A组和B1组（P均<0.001），但上述指标在A组与B1组间均无显著差异（P均>0.05）。B2组的解剖结构显示评分高于A组（P2<0.001），但该评分在A组与B1组（P1=0.018）及B1组与B2组（P3=0.071）间均无显著差异。此外，B1组的噪声评分优于A组（P1<0.001）。在T2WI中，B2组的解剖结构显示、伪影、噪声、整体图像质量及诊断信心评分均高于A组和B1组（P均<0.001），而上述指标在A组与B1组间均无显著差异（P均>0.05）。详见表5、图3、图4。

点击查看表格

表5  三组患者的主观评分比较
Tab. 5  Comparison of subjective scores among three groups

2.4 诊断性能评估

       三组图像中，两位医师对椎管狭窄、神经孔狭窄、椎间盘病变及纤维环裂隙的诊断敏感度和特异度均较为接近。组间比较显示，A组与B1组、A组与B2组、B1组与B2组在各病变的敏感度和特异度上差异均无统计学意义（P均>0.05）。详见表6。

点击查看表格

表6  三组图像中腰椎常见病变的诊断性能比较
Tab. 6  Comparison of diagnostic performance for common lumbar lesions among three groups

3 讨论

       本研究通过回顾性分析116例患者的腰椎MRI图像，系统评估了加速成像联合DLR算法在腰椎MRI中的应用价值，结果显示基于深度学习重建的加速成像序列可将扫描时间缩短近50%的同时保持较好的图像质量与诊断信心，验证了该技术可在不牺牲影像诊断可靠性的前提下，显著提升MRI设备周转效率，降低患者检查过程中的不适与运动伪影风险，为应对日益增长的脊柱MRI检查需求提供了一种高效、安全且可临床推广的解决方案。

3.1 加速成像的应用原理

       本研究发现加速成像可通过优化NEX及回波链参数，将腰椎MRI扫描时间缩短，显著提升临床检查效率与日检查通量。从磁共振物理原理分析，NEX的减少会直接降低SNR，二者关系符合SNR∝NEX的理论规律，即当NEX从2降至1时，SNR理论上将下降约29%。既往文献^{[6, 7, 8]}报道，MRI加速成像主要基于硬件与软件的协同进步，硬件方面包括高性能梯度、多通道相控阵线圈等；软件方面包括并行成像、压缩感知及人工智能重建算法。本研究中，加速成像技术将腰椎MRI总采集时间由6 min 41 s秒降至3 min 36 s，缩短了185秒，检查效率提升约46%；此外，加速成像在T1WI中获得了比标准成像更优的噪声水平。该结果表明，加速成像技术本身并非以牺牲图像质量为代价，其内置的现代采集与重建算法已具备一定的噪声控制能力^{[21, 22, 23]}，能够在缩短扫描时间的前提下提供主观感受一致的图像。这一发现与传统认知中“加速必然导致质量下降”的观点有所不同，体现了当前MRI硬件与序列技术的实质性进步。

3.2 加速成像与DLR的协同价值

       本研究证实了加速成像与DLR联合应用的显著优势。与A组及B1组对比，结合加速成像与DLR的B2组在几乎所有主观及客观指标上均实现了图像质量的显著提升。DLR代表了图像重建技术的下一代发展方向，其性能上限天然高于传统方法，因为该算法并非简单地弥补加速成像的缺陷，而是引入了一个更强大的、数据驱动的后处理引擎。本研究中，通过其稠密残差连接模块和频谱归一化技术，DLR算法能够更深刻地理解图像内容与噪声的差异，从而实现远超传统算法的细节保留与噪声抑制能力^{[24, 25]}。近年来，DLR在图像噪声抑制及图像质量提升方面展现出巨大潜力^{[26, 27, 28]}。ALMANSOUR等^[29]通过多阅片者互换性分析证实，采用深度学习重建的加速TSE序列可将脊柱MRI总采集时间缩短70%，所有病变诊断的个体等效指数均低于4%，表明DLR重建图像与标准图像在椎间盘突出、椎管狭窄等多种退行性病变的检出上具有完全可互换性。类似地，TANG等^[30]在腰椎MRI的前瞻性研究中发现，TSE-DL序列相较于标准TSE序列可缩短45%的扫描时间，且在整体图像质量、SNR及噪声评分上均显著优于或不低于标准序列。上述研究结果证明，深度学习可通过高效利用多模态数据弥补欠采样或低计数数据的不足，与本研究结果相符。从标准扫描（A组）到单纯加速（B1组）再到智能重建（B2组），本研究系统、严谨地展示了腰椎MRI采集时间与图像质量的演进路径，证明加速成像与DLR的结合共同定义了一个更高效、更优质的腰椎MRI采集方案。

3.3 诊断性能的非劣效性与临床可靠性

       在诊断效能方面，本研究进一步验证了加速成像联合DLR方案的临床可靠性。以脊柱影像专家评估结果为金标准，三组图像对腰椎关键病变的诊断敏感性及特异性差异均无统计学意义。这一结果表明，在扫描时间缩短46%的前提下，加速成像联合DLR方案并未牺牲诊断准确性，反而在数值上呈现出一定的提升趋势。既往研究指出，图像噪声和伪影是影响细微病变检出率的主要因素^{[22, 23]}，而DLR通过有效抑制噪声、锐化组织边界，增强了放射科医师对病灶的识别能力。类似地，图像质量的主观评分结果也显示B2组在诊断信心评分上显著优于A组和B1组。此外，两位医师对疾病诊断的一致性较高（加权Kappa值均>0.88），进一步保证了诊断结果的稳定性和可重复性。综上，加速成像联合DLR方案在保证诊断准确性的前提下实现了检查效率的大幅提升，具备明确的临床转化价值。

3.4 序列特异性的优化机制：T1WI与T2WI的不同响应

       本研究发现DLR对T1WI和T2WI展现出不同程度的优化效果。在客观指标上，DLR对T1WI中各组织SNR及椎体CNR的提升尤为显著，而在T2WI中，三组间的SNR与CNR无显著差异。这种差异可能与不同序列的固有信号特性及算法的优化机制有关。T1WI信号强度相对较低，噪声和伪影的影响更为突出，这为DLR算法提供了更大的优化空间；稠密连接网络对低信号区域的增强特性使得该算法在腰椎T1WI中SNR提升更为显著^{[24, 25, 31, 32]}。而对于T2WI，尤其是脑脊液呈现极高信号，其固有的高SNR/CNR可能在一定程度上“掩盖”了噪声，使得客观指标的差异不易显现。但在主观评分中，B2组图像在噪声、伪影和诊断信心等方面均取得了显著改善。这提示DLR的优化可能超越了简单的信噪比提升，更体现在对图像纹理、边缘锐利度和整体视觉舒适度的增强，这些优势难以完全通过传统的SNR/CNR指标捕获，但却对临床诊断具有重要价值。ALMANSOUR等^[29]在加速脊柱MRI的研究中发现，深度学习重建图像在主观评分上的优势往往优于客观指标，与本研究结论相符。

3.5 临床价值与局限性

       本研究系统验证了基于生成对抗网络与稠密残差连接模块的DLR算法在1.5 T设备上实现腰椎加速成像的可行性与优越性，创新性地将多模态退化模拟与混合数据训练策略引入腰椎MRI重建流程，在有限标注数据条件下实现了图像质量的显著提升。此外，加速成像联合DLR方案可在不牺牲图像质量的前提下将检查通量提升，有效缓解患者因长时间扫描所致的不适^{[6, 7, 8, 33]}，尤其适用于无法耐受长时间检查的老年或疼痛患者。最后，DLR带来的图像质量优化，特别是噪声和伪影的抑制，显著增强了医师对细微病变的诊断信心，确保快速扫描不以漏诊或误诊为代价。

       本研究存在一定局限性。首先，本研究为单中心回顾性设计，A组和B组基于不同人群，虽经基线资料校正，但仍可能存在选择偏倚，未来仍需要多中心、大样本的前瞻性研究进一步验证结论。其次，本算法仅在飞利浦1.5 T设备上得到验证，其在3.0 T场强以及GE、Siemens等其他厂商平台上的泛化性能有待评估。最后，本研究主要聚焦于图像质量与诊断效能评估，未进一步追踪患者的临床结局（如手术治疗效果、预后转归等），图像质量的提升能否转化为临床决策的优化和患者获益，尚需结合长期随访数据加以验证。

4 结论

       综上所述，基于深度学习重建算法的腰椎MRI加速成像技术可在显著缩短扫描时间的同时全面优化图像质量，并在关键病变的诊断效能上达到与传统成像相当的水平。这一技术策略为解决临床实际需求提供了强有力的支持，实现了检查效率与诊断信心的双重跃升，展现出广阔的临床应用前景与推广价值。